Cartografia Da Paisagem Natural

Cartografia da paisagem natural do Parque Natural de
Montesinho por Sensoriamento Remoto
Pedro Henrique Jandreice Magnoni
Dissertação apresentada à Escola Superior Agrária de Bragança para obtenção

do Grau de Mestre em Tecnologia Ambiental
Orientado por
Professor Dr. José Castro

Professor Dr. Edivando Vitor do Couto
Bragança
2017
Cartografia da paisagem natural do Parque Natural de
Montesinho por Sensoriamento Remoto
Pedro Henrique Jandreice Magnoni
Dissertação apresentada à Escola Superior Agrária de Bragança para obtenção

do Grau de Mestre em Tecnologia Ambiental através do acordo de Dupla
Diplomação com a Universidade Tecnológica Federal do Paraná.
Orientado por
Professor Dr. José Castro

Professor Dr. Edivando Vitor do Couto
Bragança
2017
AGRADECIMENTOS
Primeiramente, agradeço aos meus pais Antônio Francisco Magnoni e Maria José
Jandreice pelo apoio durante meu período de estudos no exterior, sem eles, em todos os
sentidos, isto não seria possível.
A minha companheira, Laís, por toda ajuda, leituras, revisões prestadas, e
principalmente, pela paciência para escutar minhas ideias e reclamações ao longo do
desenvolvimento deste trabalho. Passar um ano em outro país, vivendo em uma diferente
cultura, enfrentando novos desafios, é muito mais interessante quando temos alguém para viver
estas experiências conosco. A felicidade é muito mais valiosa quando compartilhada.
Agradeço ao professor José Castro, orientador e agora amigo, que desde o início se
mostrou disposto no auxílio para elaboração deste trabalho compartilhando seu vasto
conhecimento sobre os assuntos tratados, com dedicação e atenção, para que este projeto
pudesse ser finalizado.
Aos meus orientadores do Brasil, professores José Ferreira e Edivando Couto, pelos
conhecimentos ensinados durante a graduação na UTFPR e o incentivo para meus estudos em
Portugal. Dessa maneira, também posso atribuir o êxito deste intercâmbio a eles.
Aos meus amigos e companheiros de república em Bragança, João, Gleici e Maidana,
pelo tempo passado juntos, experiências e brincadeiras compartilhadas ao longo da convivência
que ajudaram a superar as dificuldades ao longo do caminho trilhado.
Aos amigos do Brasil, os quais me fazem falta, Otávio, Yuji, Luís (titi), Lucas (asdaf),
Thiago, Caio (lee), Lucas (quejo), Raul, Henry, Caio (moita), Kerry, Marcelo, Júlia, Razera
(primo), Ícaro, Aruani, Lorena e todos os demais, que mesmo longe, de alguma maneira
demonstraram apoio nesta importante etapa de minha vida.
Finalmente, agradeço a UTFPR – Campo Mourão e ao Instituto Politécnico de
Bragança pelo programa de dupla diplomação e o apoio financeiro oferecido pelas instituições.
RESUMO
Visando a utilização do sensoriamento remoto na monitorização de ecossistemas de elevado

valor conservacionista, o presente trabalho teve como objetivo desenvolver uma metodologia
capaz de identificar de forma expedita a ocorrência dos carvalhais da Quercus pyrenaica Willd.,
espécie de valor ecológico alto no Parque Natural de Montesinho (PNM), localizado na região
nordeste de Portugal, através de ferramentas do sensoriamento remoto e utilização de sistemas
de informação geográficas livres. Com base em informação espectral de diferentes composições
de bandas de uma imagem Landsat 5 Thematic Mapper (TM), foram aplicadas classificações
não-supervisadas mediante o SPRING para diferentes índices de similaridade no processo de
segmentação da imagem. Com a utilização do QGIS, as classificações foram comparadas com
a cartografia de referência para determinar as classes que melhor representaram o carvalhal, e
foi verificado que o índice de similaridade 8, com a inserção de todas as bandas espectrais, foi
aquela que melhor reconheceu a assinatura espectral do carvalhal no parque. A partir dessas
classes, foram extraídas regiões potencias para a tomada de amostras para aplicação de um
classificador supervisado que possibilitou a elaboração de um mapa temático das áreas de
carvalhal no PNM. Mediante uma verificação no terreno, alguns resultados interessantes como
a discriminação do carvalho em diferentes estágios de seu crescimento vegetal e abundância
associado a outras espécies, mostram a capacidade de detecção da assinatura espectral do
carvalhal da metodologia aplicada.
Palavras-chave: Quercus pyrenaica Willd; SPRING; QGIS; ISOSEG; MAXVER;
i
ABSTRACT
Aiming the use of remote sensing in the monitoring of high conservation value ecosystems, the
present work aimed a methodology able to identify the occurrence of the of the Quercus
pyrenaica Willd., a specie of high ecological value in the Natural Park Of Montesinho, located
in the northeast region of Portugal, through remote sensing tools and the use of free
geographical information systems. Based on spectral information from different band
compositions in Landsat 5 Thematic Mapper (TM) images, non-supervised classifications were
applied using SPRING by different similarity indexes in the image segmentation process. Using
the QGIS, the classifications were compared with the reference cartography to determine the
most representative classes of the Quercus pyrenaica Willd., verifying that the classifications
performed for the similarity 8 index with all image spectral bands was the one that best
recognized the oaks spectral signature. From these classes, potential regions were extracted for
the sampling and application of a supervised classifier that enabled the thematic map of the oak
areas in the PNM. By field verification, interesting results such as the discrimination of the oak
at different plant growth stages and abundance associated with other species, showed the ability
of oak spectral signature detection by the applied methodology.
Keywords - Quercus pyrenaica Willd; SPRING; QGIS; ISOSEG; MAXVER;
ii
ÍNDICE
RESUMO ......................................................................................................................... I
ABSTRACT ....................................................................................................................II
ÍNDICE ......................................................................................................................... III
ÍNDICE DE FIGURAS .................................................................................................. V
ÍNDICE DE QUADROS .............................................................................................. VI
LISTA DE ABREVIATURAS E SIGLAS ................................................................ VII
ESTRUTURA DO TRABALHO ............................................................................. VIII
1 INTRODUÇÃO ............................................................................................................ 1
2 OBJETIVOS ................................................................................................................. 2
3 REVISÃO BIBLIOGRÁFICA .................................................................................... 3
3.1 SENSORIAMENTO REMOTO .......................................................................................... 3
3.1.1 Espectro eletromagnético, assinaturas espectrais e janelas atmosféricas .......................... 4
3.1.2 Tipos de sensores .............................................................................................................. 5
3.1.3 Características das imagens obtidas por sensores remotos ............................................... 5
3.1.4 Classificação de Imagens .................................................................................................. 7
3.1.5 Classificadores por região e segmentação da imagem ...................................................... 8
3.1.6 Sistema para Processamento de Informações Georreferenciadas – SPRING ................... 8
3.1.7 Quantum GIS..................................................................................................................... 9
3.1.8 Características da missão Landsat ..................................................................................... 9
3.2 CARACTERIZAÇÃO DA ÁREA DE ESTUDO .............................................................. 10
3.2.1 Rede Nacional de Áreas Protegidas de Portugal ............................................................. 10
3.2.2 Parque Natural de Montesinho (PNM)............................................................................ 11
3.3 VALORES NATURAIS DO PARQUE NATURAL DE MONTESINHO....................... 12
3.3.1 Geologia .......................................................................................................................... 12
3.3.2 Fauna e biótipos .............................................................................................................. 13
3.3.3 Flora e vegetação ............................................................................................................. 13
4 METODOLOGIA ...................................................................................................... 16
4.1 FERRAMENTAS COMPUTACIONAIS E PRODUTOS UTILIZADOS ....................... 16
4.1.1 Aquisição das imagens .................................................................................................... 16
4.1.2 Sistemas de Informação Geográfica (SIG)...................................................................... 17
4.2 OPERAÇÕES DESENVOLVIDAS .................................................................................. 17
4.2.1 Recorte das imagens no QGIS ........................................................................................ 18
4.2.2 Rasterização da Carta de Uso e Ocupação do Solo de Portugal Continental (COS2007)
.................................................................................................................................................. 18
4.2.3 Classificações não-supervisadas ..................................................................................... 19
iii
4.2.4 Determinação das classes representativas para o carvalhal ............................................ 19
4.2.5 Classificações Supervisadas ............................................................................................ 21
4.2.6 Verificação no terreno ..................................................................................................... 21
5 RESULTADOS ........................................................................................................... 23
5.1 CLASSIFICAÇÃO NÃO-SUPERVISADA ...................................................................... 23
5.2 DETERMINAÇÃO DAS CLASSES REPRESENTATIVAS PARA O CARVALHAL . 23
5.3 CLASSIFICAÇÃO SUPERVISADA – MAXVER ........................................................... 28
6 DISCUSSÃO ............................................................................................................... 30
6.1 CLASSIFICAÇÕES ........................................................................................................... 30
6.2 VERIFICAÇÃO NO TERRENO ....................................................................................... 35
6.2.1 Situação de matos densos ................................................................................................ 35
6.2.2 Situação de floresta de carvalhos com outras folhosas ................................................... 37
6.2.3 Situação de florestas de outras folhosas .......................................................................... 40
6.2.4 Situação de floresta de castanheiro com folhosas ........................................................... 43
7 CONCLUSÕES .......................................................................................................... 45
REFERÊNCIAS ............................................................................................................ 46
iv
ÍNDICE DE FIGURAS
Figura 1 - Captação da Energia Eletromagnética por um Sensor Remoto ........................ 3

Figura 2 - Comprimentos de onda e frequências do espectro eletromagnético ................ 4
Figura 3 - Janelas Atmosféricas e absorção causada pelos gases atmosféricos ................ 5
Figura 4 - Imagem Landsat 5 ETM relativa ao PNM em níveis de cinza ......................... 6
Figura 5 - Localização do Parque Natural de Montesinho .............................................. 12
Figura 6 - Valor das unidades de vegetação do PNM ..................................................... 14
Figura 7 - Bosque de carvalho-negral ............................................................................. 15
Figura 8 - Imagem do PNM Landsat 5 ............................................................................ 17
Figura 9 - Diagrama da metodologia desenvolvida ........................................................ 18
Figura 10 - Pontos verificados em verificação ao terreno ............................................... 22
Figura 11 - Imagem classificada do PNM ....................................................................... 23
Figura 12 - Comparação entre classificação com segmentação 5 e 8 com as bandas B432
......................................................................................................................................... 25
......................................................................................................................................... 25
......................................................................................................................................... 26
......................................................................................................................................... 26
......................................................................................................................................... 26
Figura 17 - Cartografia da frequência para similaridade 5 .............................................. 27
Figura 18 - Cartografia da frequência para similaridade 8 .............................................. 28
Figura 19 - Cartografia da presença do carvalhal no PNM ............................................. 29
Figura 20 – Mapa de intersecção da classe 4 com a classe COS - outros carvalhos....... 32
Figura 21 - Áreas 100% para o índice de similaridade 8 ................................................ 33
Figura 22 - Intersecção da cartografia da presença do carvalho no PNM com classe outros
carvalhos da COS2007 .................................................................................................... 33
Figura 23 - Matos densos associado ao carvalhal ........................................................... 36
Figura 24 - Carvalhiça associada a matos ....................................................................... 36
Figura 25 - Regeneração do carvalhal em área de matos densos .................................... 37
Figura 26 - Carvalho-negral ............................................................................................ 38
Figura 27 - Carvalhal associado a outras folhosas .......................................................... 39
Figura 28 - Vegetação ripícola sem a presença de carvalho ........................................... 39
Figura 29 - Carvalhal associado a outras folhosas .......................................................... 40
Figura 30 - Carvalhal no sub-bosque de outras espécies de folhosas ............................. 41
Figura 31 - Folhas de Carvalho negral (Fendidas) e outras espécies folhosas ................ 42
Figura 32 - Jovens carvalhos entre outras espécies folhosas .......................................... 42
Figura 33 - Carvalhos, castanheiros e matos ................................................................... 43
Figura 34 - Castanheiro (primeiro plano), seguindo carvalho e resinosas (fundo) ......... 44
Figura 35 - Carvalhos e castanheiros .............................................................................. 44
v
ÍNDICE DE QUADROS
Quadro 1 - Tipos de resolução em Sensoriamento Remoto .............................................. 6

Quadro 2 - Características da imagem LANDSAT 5 ...................................................... 10
Quadro 3 - Imagem Landsat 5 utilizada .......................................................................... 16
Quadro 4 - Características e resultados das classificações com índice de similaridade 05
.................................................................................................................................. .......24
Quadro 5 - Características e resultados das classificações com índice de similaridade 08..
......................................................................................................................................... 24
Quadro 6 - Classe 5 da segmentação 5 com todas as bandas em comparação a classes da COS
......................................................................................................................................... 31
......................................................................................................................................... 31
Quadro 8 - Área coincidente entre a classificação MAXVER e demais classes COS200734
vi
LISTA DE ABREVIATURAS E SIGLAS
CCRS – Canada Center for Remote Sensing
COS2007 – Carta de uso e ocupação do solo de Portugal Continental 2007
CS05L5_B432 – Classificação com índice de segmentação 5 e bandas 4, 3 e 2
CS05L5_B4321 – Classificação com índice de segmentação 5 e bandas 4, 3, 2 e 1
CS05L5_B54321 – Classificação com índice de segmentação 5 e bandas 5, 4, 3, 2 e 1
CS05L5_B654321 – Classificação com índice de segmentação 5 e bandas 6, 5, 4, 3, 2 e 1
CS05L5_B7654321 – Classificação com índice de segmentação 5 e bandas 7, 6, 5, 4, 3, 2 e 1
CS08L5_B432 – Classificação com índice de segmentação 8 e bandas 4, 3 e 2
CS08L5_B4321 – Classificação com índice de segmentação 8 e bandas 4, 3, 2 e 1
CS08L5_B54321 – Classificação com índice de segmentação 8 e bandas 5, 4, 3, 2 e 1
CS08L5_B654321 – Classificação com índice de segmentação 8 e bandas 6, 5, 4, 3, 2 e 1
CS08L5_B7654321 – Classificação com índice de segmentação 8 e bandas 7, 6, 5, 4, 3, 2 e 1
IBGE – Instituto Brasileiro de Geografia e Estatística
ICNF – Instituto de Conservação da Natureza e das Florestas
INPE – Instituto Nacional de Pesquisas Espaciais
PNM – Parque Natural de Montesinho
USGS – United States Geological Survey
vii
ESTRUTURA DO TRABALHO
O seguinte trabalho foi estruturado sete partes principais: introdução, objetivos,

revisão bibliográfica, material e métodos, resultados, discussão e conclusão.
Na introdução foi realizada uma contextualização do carvalho-negral e sua
importância, o sensoriamento remoto no estudo de ecossistemas terrestres e o objetivo geral do
trabalho. Em seguida, os objetivos abordaram as metas gerais e específicas visadas no trabalho.
A revisão bibliográfica compreendeu o sensoriamento remoto, sendo abordado seus
principais conceitos para melhor compreensão das técnicas de processamento digital de
imagens multiespectrais, características sobre a área de estudo e o carvalho-negral.
O tópico material métodos abordou a descrição da informação geográfica utilizada e
os principais processos necessários para o desenvolvimento do trabalho. Os dados obtidos pela
metodologia foram expostos em seguida na parte dos resultados e discutidos no tópico
discussão.
Finalmente, a conclusão apresentou as principais considerações observadas ao longo
do trabalho.
viii
1 INTRODUÇÃO
O carvalho-negral (Quercus pyrenaica Willd.) é uma espécie encontrada na península

ibérica. Em Portugal, esta espécie encontra-se como característica dominante das florestas e
paisagens naturais em grande parte dos territórios do norte e centro interior do País e, além de
proporcionar matéria-prima ao homem, desempenha importantes funções de conservação dos
recursos físicos, ambientais e biológicos. Ademais, o carvalho-negral, amplamente utilizado
pelo homem para diversas finalidades ao longo da história, hoje se encontra integrado em
paisagens antropizadas, o que salienta a importância das medidas de conservação, gestão e
conscientização para sua preservação (Carvalho et al., 2005a).
A evolução das ferramentas de sensoriamento remoto proporcionou uma capacidade
da monitorização contínua e periódica das mudanças dos meios naturais a diferentes escalas
espaciais e temporais. O lançamento dos satélites imageadores, como a série Landsat, fornece
informações para estudos sobre biodiversidade, conservação da natureza e outros campos de
aplicação, atuando como ferramentas de auxílio à tomada de decisão e gestão do meio ambiente
(Lunetta e Elvidge, 1999; Blaschke, 2010).
Uma das maneiras de extrair informação útil das imagens geradas por sensores remotos
é sua classificação temática mediante sistemas de informação geográfica (SIG). Este processo
pode ser realizado através de algoritmos de classificação supervisados e não-supervisados de
acordo com a necessidade do usuário.
As metodologias de classificação podem ser realizadas através de análises dos valores
espectrais píxel a píxel ou por regiões, processo que leva em conta também características
espaciais da imagem, proporcionando um resultado menos ruidoso. O sistema de informação
geográfica SPRING, desenvolvido pelo Instituto Nacional de Pesquisas Espaciais do Brasil
(INPE), apresenta ferramentas úteis para a aplicação de classificações em imagens
multiespectrais. Ao ser disponibilizado gratuitamente na internet, torna-se um software
interessante na pesquisa e gestão do meio ambiente (Meneses et al., 2012; Camara et al., 1996).
Finalmente, devido à grande importância do carvalho-negral nos ecossistemas
existentes na península ibérica, o objetivo deste trabalho foi desenvolver uma metodologia
capaz de identificar de forma expedita a área de ocorrência da Quercus pyrenaica Willd. no
Parque Natural de Montesinho em Portugal.
1
2 OBJETIVOS
É objetivo geral deste trabalho desenvolver uma metodologia capaz de identificar de

forma expedita a ocorrência dos carvalhais da Quercus pyrenaica Willd., espécie de valor
ecológico alto no PNM, através de ferramentas do sensoriamento remoto e utilização de
sistemas de informação geográficas livres. Uma vez determinada a melhor metodologia para
reconhecer as áreas ocupadas por esta espécie – carvalhais – esta poderá ser utilizada para uma
monitorização atenta, rápida e frequente da evolução da sua distribuição ao longo do tempo.
Para alcançar o objetivo proposto em este trabalho, torna-se necessário a execução dos
seguintes objetivos específicos:
 Definir a paisagem a estudar e seus componentes a identificar (carvalhais);

 Inventariar os produtos de Sensoriamento Remoto que podem ser utilizados;
 Decidir sobre os softwares e técnicas a serem aplicadas;
 Aplicar técnicas de classificação de imagens multiespectrais;
 Avaliar os mapeamentos obtidos.
2
3 REVISÃO BIBLIOGRÁFICA
Este tópico irá abordar conceitos básicos sobre o sensoriamento remoto e técnicas de
processamento de imagens necessários para a realização deste trabalho.
3.1 SENSORIAMENTO REMOTO
O sensoriamento remoto é uma alternativa viável para o empreendimento de estudos e

aplicações que envolvem o meio ambiente e os recursos naturais terrestres. Segundo o CCRS
(2016), este, pode ser definido como:
“A Ciência da aquisição de informação sobre a superfície terrestre sem estar em

contato direto com ela. Isso é realizado através da detecção e registro da energia
emitida ou refletida, processamento, análise e aplicação da informação” (CCRS,
2016).
Os materiais existentes na superfície da Terra apresentam a capacidade de emitir,

refletir, transmitir e absorver a radiação eletromagnética. Através da razão entre a energia
refletida e a energia incidente em uma determinada superfície, verifica-se a refletância espectral
do meio e discrimina-se distintos materiais de acordo com a informação final captada pelos
sistemas de sensores (Figura 1) (IBGE, 2001).
Figura 1 - Captação da Energia Eletromagnética por um Sensor Remoto

Fonte: Instituto Brasileiro de Geografia e Estatística (2001)
3
3.1.1 Espectro eletromagnético, assinaturas espectrais e janelas atmosféricas
Como a captação da informação pelo sensor acontece através da detecção e análise da

radiação eletromagnética, torna-se se necessária a compreensão do espectro eletromagnético.
Este (Figura 2), pode ser compreendido pelo intervalo das frequências da radiação
eletromagnética e é ordenado em função do comprimento de uma onda eletromagnética e sua
frequência (IBGE, 2001).
Figura 2 - Comprimentos de onda e frequências do espectro eletromagnético

Fonte: CCRS (2016)
Dentro do espectro eletromagnético, os comprimentos de onda que podemos distinguir

e observar a olho nu fazem parte do chamado espectro visível, sendo interessante verificar que
esta parte do espectro abrange apenas uma pequena gama de frequências, compreendida por
comprimentos de onda entre 0,4 e 0,7 µm e é a única associada ao conceito de cor. Porém, as
demais ondas de frequências não-visíveis pelo homem podem ser detectadas pelos sensores
remotos e utilizadas na geração de informação útil, como por exemplo as ondas da faixa do
infravermelho que são muito utilizadas em estudos sobre a vegetação e agricultura (CCRS,
2016; Muñoz e Ponce, 2005).
Diferentes materiais refletem e absorvem a radiação eletromagnética diferentemente
em distintos comprimentos de ondas. O gráfico da fração de radiação refletida ao longo do
espectro fornece as propriedades radiométricas de um material e serve como uma assinatura
única para este (IBGE, 2001; Konecny, 2003).
Os sinais de radiação eletromagnéticos coletados pelos sensores dos satélites sofrem
modificação devido à absorção e espalhamento provocados pela interação da radiação solar
4
com gases e aerossóis presentes na atmosfera. A relação entre a radiação que atravessa a
atmosfera pelo total de energia incidente é conhecida como transmitância e os locais onde a
energia passa e pode ser captada pelos sensores, são conhecidas como janelas atmosféricas
(Figura 3) (Song et al., 2001; IBGE, 2001; Konecny, 2003).
Figura 3 - Janelas Atmosféricas e absorção causada pelos gases atmosféricos

Fonte: Konecny (2003)
3.1.2 Tipos de sensores
Sensores remotos são aqueles capazes de detectar, transformar em sinais elétricos e

registrar a energia eletromagnética proveniente de um alvo para posterior conversão em
informações úteis sobre o objeto analisado. Um critério de classificação dos sensores é a partir
da fonte de energia utilizada. Assim, são classificados como ativos e passivos (Florenzano,
2007).
Os sensores ativos são caracterizados por emitir um sinal próprio que reflete no objeto
de interesse e retorna ao sensor. Já os passivos se caracterizam por receber a radiação
eletromagnética natural refletida (luz solar) nos objetos presentes na superfície terrestre,
apresentando maior valor na avaliação dos recursos naturais (Muñoz e Ponce, 2005).
3.1.3 Características das imagens obtidas por sensores remotos
A imagem digital é formada através de um sensor que detecta a radiação

eletromagnética (energia) refletida pela superfície dos objetos alvos, realiza medições e registra
cada valor de refletância espectral como um número digital. Posteriormente, esses números são
reconvertidos a níveis de cinza e dispostos sobe a forma de uma matriz (linhas x colunas)
definido por um sistema de coordenadas “x” e “y”, criando assim a imagem final (Muñoz e
Ponce, 2005; IBGE, 2001).
5
Nesta matriz de números digitais, denomina-se o elemento individual como píxel,
sendo este uma representação de uma área da superfície terrestre que está associada a um valor
de intensidade da radiação eletromagnética refletida. Esta intensidade convertida em números
digitais pode ser representada por níveis de cinza que variam do preto (menor nível de
intensidade) ao branco (maior nível de intensidade), formando assim, a imagem digital (Figura
4) (IBGE, 2001).
Figura 4 - Imagem Landsat 5 ETM relativa ao PNM em níveis de cinza
As imagens geradas através de técnicas de sensoriamento remoto possuem quatro tipos

de resoluções distintas: espacial, espectral, radiométrica e temporal. O valor da informação
obtida está diretamente relacionado com essas resoluções cabendo ao usuário definir qual
produto melhor para representar o processo a ser estudado.
O Quadro 1, apresenta as características de cada uma das resoluções.
Quadro 1 - Tipos de resolução em Sensoriamento Remoto. Adaptado de CCRS, 2016; IBGE, 2001
Resolução Características
Refere-se as dimensões do menor elemento detectável
Espacial
possível (Píxel).
Refere-se a habilidade do sensor em distinguir intervalos
Espectral
de comprimento de onda do espectro eletromagnético.
Refere-se a intervalo de máximo e mínimo níveis de cinza
Radiométrica
representados por números digitais na imagem gerada.
Refere-se a periodicidade do imageamento de um mesmo
Temporal
local realizado por um sensor.
6
3.1.4 Classificação de Imagens
Em uma imagem digital verifica-se a existência de píxeis associados a um sistema de

coordenadas “x” e “y”, que por sua vez, estão relacionados a um valor espectral representante
da radiância do alvo em um determinado comprimento de onda do espectro eletromagnético.
Assim, existe uma correspondência espacial entre píxeis nas diferentes faixas/bandas do
espectro, ou seja, para cada uma das bandas existentes na imagem, vão existir o mesmo número
de níveis de cinza associados a cada píxel (Camara et al., 1996).
É a partir deste valor associado a cada píxel que se realiza a classificação de uma
imagem, processo que consiste na obtenção de informações para reconhecer padrões e
individualizar objetos. Este método é utilizado para definir áreas da superfície terrestre que
apresentem o mesmo significado em imagens digitais geradas por sensores produzindo como
resultado um mapa temático distribuído em classes (Camara et al., 1996; IBGE, 2001).
Uma classificação pode ser unidimensional, quando se baseia em apenas um canal
espectral, ou multiespectral, quando se baseia na distribuição dos níveis de cinza em vários
canais espectrais, sendo a segunda a mais interessante para o mapeamento temático devido à
heterogeneidade da generalidade das paisagens (Camara et al., 1996).
Para realizar a classificação multiespectral de uma imagem, o primeiro passo é o
reconhecimento das assinaturas espectrais de cada classe, processo denominado treinamento.
Este treinamento pode ocorrer de maneira supervisada, onde o usuário irá reconhecer as áreas
representativas de uma classe de interesse, ou de maneira não-supervisada, quando o
reconhecimento das classes é realizado por um algoritmo de agrupamento (Camara et al., 1996;
IBGE, 2001).
As metodologias empregadas para classificação podem ser divididas entre
classificadores “píxel a píxel” e por região, sendo o primeiro caracterizado pela utilização
isolada da informação espectral correspondente a cada píxel para a detecção de regiões
homogêneas em uma imagem, e o segundo, por relacionarem a informação de um píxel e seus
vizinhos baseando-se em suas características espectrais e espaciais da imagem (Meneses et al.,
2012; Camara et al., 1996).
Exemplos de classificadores comuns são: Máxima Verossimilhança e Distância
Euclidiana, para processos “píxel a píxel”, e Isoseg, Battacharya, Clatex para processos de
classificação por região (Meneses et al., 2012).
7
3.1.5 Classificadores por região e segmentação da imagem
Nos classificadores por região, inicialmente é realizada a segmentação manual ou

automática da imagem, processo que estabelece polígonos de áreas consideradas homogêneas
pelo algoritmo de segmentação. Estas áreas (regiões) serão usadas pelo algoritmo de
classificação ao invés dos valores individuais de cada píxel. A maioria dos algoritmos de
segmentação apresentam como regra geral a definição de um limiar de similaridade e área
mínima a ser segmentada pelo usuário do software. A similaridade entende-se pela semelhança
entre o píxel candidato a ser incluso em um segmento e os parâmetros estatísticos dos píxeis já
existentes no segmento em questão (Meneses et al., 2012).
No software SPRING (ver ponto 3.1.6), pode-se realizar a segmentação de uma
imagem através do algoritmo “crescimento por regiões”, onde verifica-se a similaridade através
da distância euclidiana entre os valores médios dos níveis de cinza de cada região. Esta técnica
agrupa as regiões espacialmente adjacentes sendo a inclusão dependente de o limiar
(similaridade) definido pelo usuário está ou não dentro da distância entre as médias. Já o valor
de área mínima a ser segmentada define a menor área escolhida pelo usuário para ser absorvida
pelas regiões adjacentes mais similares a estas (Meneses et al., 2012; Camara et al., 1996).
3.1.6 Sistema para Processamento de Informações Georreferenciadas – SPRING
Denominado como Sistema para Processamento de Informações Georreferenciadas

(SPRING) e desenvolvido pelo Instituto Nacional de Pesquisas Espaciais do Brasil (INPE), este
software opera como um banco de dados geográficos capaz de administrar dados vetoriais e
matriciais, e a integração de dados de sensoriamento remoto. O projeto deste software foi
iniciado em 1991, com o lançamento da versão 1.0 em 1993 e atualmente, na versão 5.4.3,
apresenta diversas ferramentas para processamento digital de imagens, como algoritmos
classificadores por região, se tornando uma ferramenta atrativa para o geoprocessamento e o
sensoriamento remoto, pois está disponível gratuitamente na internet (Meneses et al., 2012;
Camara et al., 1996).
Entre as ferramentas de processamento digital disponíveis no SPRING, estão os
algoritmos classificadores supervisados e não-supervisados como o de Máxima
Verossimilhança (MAXVER) e o ISOSEG.
8
Assumindo que todas as bandas tenham distribuição normal, o classificador
supervisado MAXVER calcula a probabilidade de um píxel pertencer a uma determinada classe
pela ponderação das distâncias entre as médias dos valores dos píxeis de cada classe candidata
utilizando parâmetros estatísticos. Já o classificador ISOSEG, realiza um agrupamento de dados
não-supervisado sobre conjuntos de regiões provenientes do processo de segmentação
agrupando as regiões de acordo com uma medida de similaridade definida pela distância de
Mahalanobis. Como resultado, verifica-se um raster com os agrupamentos resultantes da
classificação atribuídos a classes que pode ser convertido em um mapa temático (Meneses et
al., 2012).
3.1.7 Quantum GIS
O Quantum GIS (QGIS), é um sistema de informações geográficas gratuito e livre

disponibilizado na internet para qualquer usuário interessado. Este software é desenvolvido
pelo projeto Open Source Geospatial Foundation (OSGeo), através de uma comunidade de
voluntários que contribuem para a evolução do software, pois trata-se de uma ferramenta open-
source (QGIS Development Team, 2017).
Neste software trabalha-se sobretudo em um ambiente vetorial, porém, como vem
associado a ferramentas como o GRASS e SAGA, torna-se uma plataforma integrada com
suporte para o desenvolvimento de aplicações vetoriais, matriciais e de processamento de
imagens. Trata-se de uma ferramenta open-source, e fornece a possibilidade da utilização de
algoritmos e funções auxiliares desenvolvidas por colaboradores que permitem ao usuário
personalizar o programa de acordo com suas necessidades.
3.1.8 Características da missão Landsat
Desde o lançamento do primeiro satélite ERTS (Earth Resources Technology Satellite)

em 1972, posteriormente renomeado para Landsat 1, o projeto Landsat representa a mais longa
aquisição de imagens da superfície de média resolução espacial por sensoriamento remoto.
Atualmente, depois do lançamento de mais seis satélites da série, sendo o último o Landsat 8
lançado em 2013, o projeto fornece informação útil para diversas finalidades como estudos
sobre a gestão e conservação do meio natural (USGS, 2016a).
9
O sensor Landsat 5 Thematic Mapper (TM) presente no satélite apresenta como
produto imagens com 7 bandas multiespectrais, resolução radiométrica de 8 bits (256 níveis),
resolução temporal de 16 dias e resolução espacial de 30 metros para as bandas 1, 2, 3, 4, 5 e 7,
e 120 metros para a banda 6 termal. No Quadro 2, abaixo, pode-se verificar as características
de cada banda (USGS, 2016b).
Quadro 2 - Características da imagem LANDSAT 5

Fonte: Adaptado de United States Geological Survey (2016b)
Resolução espacial
Bandas Comprimento de onda (Micrometros)
(metros)
Banda 1 – Blue 0.45 – 0.52 30
Bandas 2 - Green 0.52 – 0.60 30
Banda 3 – Red 0.63 – 0.69 30
Banda 4 – Near Infrared (NIR) 0.76 – 0.90 30
Banda 5 – Shortwave Infrared (SWIR) 1 1.55 – 1.75 30
Banda 6 – Thermal 10.40 – 12.50 120* (30)
Banda 7 – Shortwave Infrared (SWIR) 2 2.08 – 2.35 30
*Banda 6 é adquirida com 120 metros mas pode ser reamostrada para 30 metros.
3.2 CARACTERIZAÇÃO DA ÁREA DE ESTUDO
3.2.1 Rede Nacional de Áreas Protegidas de Portugal
A Rede Nacional de Áreas Protegidas (RNAP) de Portugal é composta por áreas

protegidas (AP) ao abrigo do Decreto-Lei nº 142/2008, de 24 de julho, e respectivos diplomas
regionais de classificação. Fazem parte deste grupo as áreas cuja a biodiversidade e outros
elementos naturais existentes apresentem valores científicos, ecológicos, sociais ou cênicos,
que demandem medidas de conservação e manejo para a promoção da gestão dos recursos,
valorização do patrimônio natural e cultural. Também regulamenta as atividades susceptíveis a
degradação dessas áreas, portanto, esta classificação visa conceder a uma área um estatuto legal
de proteção para sua manutenção e a valorização da paisagem (ICNF, 2017).
Segundo a legislação vigente, as tipologias existentes são: Parque Nacional; Parque
Natural; Reserva Natural; Paisagem Protegida; e Monumento Natural. Essas áreas podem ser
de âmbito nacional, âmbito regional/local e âmbito privado, sendo as AP de âmbito nacional e
as AP de âmbito privado automaticamente inseridas à RNAP, e devendo as de âmbito
regional/local, ter sua inclusão/exclusão avaliada pela autoridade nacional (ICNF, 2017).
10
3.2.2 Parque Natural de Montesinho (PNM)
Situado no Nordeste de Portugal Continental, a norte dos concelhos de Bragança e

Vinhais, o PNM (Figura 5) apresenta uma área de extensão de 74229 ha, altitudes que variam
entre 438 e 1481 metros, e está localizado geograficamente entre os paralelos 41°43’47’’ e
41°59’24’’ de latitude Norte e os meridianos 6º30’53’’ e 7º12’9’’ de longitude Oeste. Abrange
88 aldeias, pertencentes a 38 freguesias dos dois concelhos, tendo uma população aproximada
de 8000 habitantes vivendo dentro dos limites do parque (ICNF, 2007).
A sua criação aconteceu pelo reconhecimento da riqueza natural, paisagística e dos
elementos culturais das comunidades humanas inseridas na região, pelo Decreto-lei nº355/79
de 30 de Agosto, e foi posteriormente, reclassificado como uma AP de tipologia Parque Natural,
pelo Decreto lei nº 19/93 de 23 de Janeiro, concretizada através do Decreto Regulamentar nº 5-
A/97 de 4 de Abril. Está reclassificação justifica-se pela existência de populações e
comunidades animais representativas da fauna ibérica e europeia em relativa abundância e
estabilidade, espécies ameaçadas da fauna portuguesa e vegetação natural de grande
importância (ICNF, 2007 e 2017).
Atualmente o PNM está inserido na RNAP como um Parque Natural de âmbito
nacional, e suas definições e objetivos, dispostos no artigo nº 17 do Decreto-Lei nº 142/2008,
de 24 de julho:
1 - Entende-se por Parque Natural uma área que contenha predominantemente ecossistemas
naturais ou seminaturais, onde a preservação da biodiversidade a longo prazo possa depender
de atividade humana, assegurando um fluxo sustentável de produtos naturais e de serviços.
2 - A classificação de um parque natural visa a proteção dos valores naturais existentes,
contribuindo para o desenvolvimento regional e nacional, e a adoção de medidas compatíveis
com os objetivos da sua classificação, designadamente:
a) A promoção de práticas de maneio que assegurem a conservação dos elementos da
biodiversidade;
b) A criação de oportunidades para a promoção de atividades de recreio e lazer, que no seu
caráter e magnitude estejam em consonância com a manutenção dos atributos e
qualidades da área;
c) A promoção de atividades que constituam vias alternativas de desenvolvimento local
sustentável.
11
Figura 5 - Localização do Parque Natural de Montesinho
Fonte dados cartográficos: Direcção-Geral do Território (2017a)
3.3 VALORES NATURAIS DO PARQUE NATURAL DE MONTESINHO
A delimitação dos elementos de relevante valor natural no PNM foi realizada através
do estudo da valoração dos elementos geológicos e biológicos presentes no Parque. Portanto,
este tópico, irá abranger de forma sucinta estes três elementos, afim de enquadrar a importância
do Parque quanto a conservação e manutenção do meio ambiente. A explicação detalhada das
metodologias utilizadas e todos os resultados da valoração dos elementos naturais podem ser
encontradas no Plano de Ordenamento do PNM (ICNF, 2007).
3.3.1 Geologia
A valoração geológica e geomorfológica do PNM é necessária devido a notável

geodiversidade presente no parque. Dessa maneira, a caracterização das áreas relevantes, do
ponto de vista geológico, foi realizada através da verificação de um ou mais elementos da
12
geodiversidade, que estejam bem delimitados geograficamente e que apresentem importância
do ponto de vista científico, pedagógico, cultural, turístico ou outros (ICNF, 2007).
Através da definição das áreas relevantes, verificou-se qual era o grau de importância
e valoração destas, definindo medidas como por exemplo, a restrição do acesso a estas áreas,
ou não. Entre essas áreas, estão a Serra das Barreiras Brancas, local de interesse paleontológico,
e os Granitos do Rio Frio, local de interesse geocronológico, definidos como áreas de relevância
excepcional (ICNF, 2007).
3.3.2 Fauna e biótipos
Para verificação da relevância da fauna existente, foi realizada uma hierarquização das
espécies de vertebrados no PNM, através da determinação de variáveis relacionadas com o
estatuto de conservação, e a biologia e distribuição das espécies. Foram definidas quais espécies
devem ser alvo de medidas conservacionistas, como é o caso da Toupeira-da-água (Galemys
pyrenaicus), mamífero que apresentou uma grande demanda de ações para sua manutenção na
área. (ICNF, 2007).
Verificou-se também, além dos valores faunísticos, a importância da conservação dos
biótopos que abrigam as espécies mais ameaçadas, raras e vulneráveis. Realizou-se uma
hierarquização baseada na fauna existente e a riqueza específica, definindo áreas como de valor
excepcional, alto, médio e baixo (ICNF, 2007).
3.3.3 Flora e vegetação
O processo de valoração da flora e vegetação no PNM, foi realizado para 23 unidades

de vegetação existentes no parque. Foram consideradas diversas variáveis como: Diversidade,
Representatividade, Maturidade, Regenerabilidade, Raridade, Endemicidade, Relictismo,
carácter finícola, função geomorfológica, função climática, função hidrológica, função edáfica,
função faunística entre outras. Através da análise dessas variáveis, foi encontrado um valor de
interesse de conservação para cada unidade (Figura 6), definindo dessa maneira, quais áreas
apresentam valor excepcional, alto, médio e baixo (ICNF, 2007).
13
Figura 6 - Valor das unidades de vegetação do PNM
Fonte: (ICNF, 2007)
Classificada como uma unidade de valor excepcional para conservação, os bosques

caducifólios mesófilicos sobre rochas básicas, correspondem as áreas onde é encontrado o
carvalho-negral. Uma espécie (Quercus pyrenaica Willd.) autóctone que desempenha
importantes funções na conservação do solo, da água, biodiversidade, clima e da paisagem
natural e atua como fonte de matéria prima lenhosa e não lenhosa para o homem, e
consequentemente, na melhoria econômica local e regional. Esta espécie apresenta uma área de
extensão natural muito ampla abrangendo diversas regiões de Portugal, como Trás-os-Montes,
Beira Alta, Beira Baixa e Alto Alentejo, Alto Minho, Beira Litoral, Estremadura e Ribatejo,
estendendo-se, portanto, em diversos contextos bioclimáticos, o que caracteriza seu elevado
valor ecológico (Carvalho, Santos e Reimão, 2005). As suas matas – os carvalhais –
representam o estádio de clímax inerente à generalidade do território do PNM (Figura 7).
No PNM, de entre as formações vegetais onde os carvalhais da Quercus pyrenaica
Willd. se integram, destaca-se como de excepcional valor natural, a formação vegetal Bosques
caducifólios mesófilicos sobre rochas básicas, localizada na região central do parque entre os
rios Tuela e Sabor. Já a escala da paisagem, estes carvalhais ocorrem em maior abundância na
Unidade denominada Vinhais (14950 ha). Esta, descrita como uma área de Policultura
subatlântica e localizada principalmente na zona do Tuela e Baceiro, é composta por elementos
de Carvalhal (28%), Folhosas (20%), Carvalhiça (12%) e Sequeiro marginal (11%) que
14
representam um mosaico heterogêneo entre a vegetação natural e as atividades antrópicas
devido a maior presença dos povoados nesta unidade de paisagem do parque (ICNF, 2007).
Por proporcionar um sistema de múltiplos usos e funções, estes carvalhais apresentam
áreas interessantes do ponto de vista econômico e ambiental. Estes bosques proporcionam o
desenvolvimento de atividades cinegéticas, exploração de recursos como extração de lenha e
cogumelos comestíveis, suporte das atividades pastoris, além de fornecer habitats favoráveis
para diversas espécies de fauna e flora natural, como o corço e o javali encontrados nestes sítios
(Carvalho et al., 2005b; ICNF, 2007). Desta maneira, salienta-se a importância da boa gestão
dessas áreas devido à importância ecológica a qual desempenham.
Figura 7 - Bosque de carvalho-negral (Lat. 41.860383 Long. -7.001564)
15
4 METODOLOGIA
4.1 FERRAMENTAS COMPUTACIONAIS E PRODUTOS UTILIZADOS
4.1.1 Aquisição das imagens
Foi adquirida uma imagem proveniente do satélite Landsat 5 Thematic Mapper. Esta
imagem foi obtida gratuitamente através do sítio do Serviço Geológico dos Estados Unidos da
América (USGS, 2016c). As informações de identificação da imagem podem ser vistas no
Quadro 3:
Quadro 3 - Imagem Landsat 5 utilizada
ID do produto Data Path/Row Sensor
LANDSAT5 Thematic
LT05_L1TP_203031_20070731_20161111_01_T1 31/07/2007 203/31
Mapper (TM)
Optou-se por uma imagem Landsat, visto que esta está disponibilizada gratuitamente
para fins de estudo e pesquisa, e por apresentar resolução espacial, espectral, radiométrica e
temporal que cumprem os pré-requisitos para o desenvolvimento dos objetivos propostos neste
trabalho.
A imagem com data de aquisição 31/07/2007 faz parte do inventário Landsat 5
collection level-1, e conta com processos de correção radiométrica e atmosféricas de alta
qualidade o que a torna viável para estudos de cobertura do solo e análises temporais. Salienta-
se que a banda 6 (termal) desta série é disponibilizada com sua resolução espacial reamostrada
de 120 para 30 metros, o que permite a inclusão desta banda nos processos de classificação da
imagem. (USGS, 2016c).
Na Figura 8, abaixo, é possível observar uma composição falsa cor através de um
mosaico com as bandas B432 que representa toda a extensão do PNM. Nesta composição, a
vegetação é representada em tons de vermelho, pois os organismos clorofilados refletem muito
mais a energia eletromagnética proveniente da luz solar na faixa do infravermelho próximo
(Meneses et al., 2012). A escolha de uma imagem captada em meses de verão facilita a
identificação da vegetação, visto que há maior incidência solar neste período e menor incidência
de nuvens que causam sombras na superfície.
16
Figura 8 - Imagem do PNM Landsat 5
4.1.2 Sistemas de Informação Geográfica (SIG)
Para realizar o processamento digital das imagens, foram utilizados os sistemas de

informação geográfica SPRING 5.4.3 (Camara et al., 1996) e QGIS 2.14.11 (QGIS
development team, 2017). Ambos são softwares livres e estão disponíveis para download em
seus respectivos sítios na internet.
4.2 OPERAÇÕES DESENVOLVIDAS
Este tópico aborda os processos desenvolvidos no trabalho, desde a aquisição da

imagem Landsat, até as imagens classificadas referentes as manchas do carvalhal. Abaixo,
temos o diagrama da metodologia desenvolvida (Figura 9).
17
Figura 9 - Diagrama da metodologia desenvolvida
4.2.1 Recorte das imagens no QGIS
Após a aquisição da imagem Landsat, esta foi recortada para todas as suas bandas
espectrais com utilização do limite oficial do PNM como camada máscara no QGIS 2.14.11.
Esta operação é necessária para facilitar a posterior aplicação dos algoritmos classificadores,
tornando o processo mais rápido de ser aplicado, e minimizando a memória de armazenamento
necessária no banco de dados dos softwares utilizados.
4.2.2 Rasterização da Carta de Uso e Ocupação do Solo de Portugal Continental (COS2007)
A COS2007 foi realizada com a utilização de interpretação visual de imagens aéreas

ortorrectificadas durante o ano de 2007 para o território continental de Portugal (Direção-Geral
do Território, 2017b). Para sua utilização como cartografia de referência na detecção das
classificações mais representativas para o carvalho, o ficheiro deste mapeamento adquirido em
formato shapefile, através da página na internet da Direção-Geral do Território, e foi convertido
18
para formato raster através do QGIS 2.14.11 para posterior aplicação da extensão “Accuracy
Assessment” entre o mapa de referência e as imagens classificadas.
Neste trabalho, foi utilizado o nível de hierarquia N5 da COS2007. Outra ação
importante foi sua conversão para raster com resolução espacial de 30 metros, ou seja, uma
matriz composta por píxeis de 900 m². Este ajuste da resolução foi necessário para cruzamento
da cartografia de referência com as imagens classificadas, visto que a extensão utilizada neste
procedimento necessita que os rasters de entrada tenham a mesma dimensão dos píxeis.
4.2.3 Classificações não-supervisadas
Para determinar quais as variáveis de entrada do processo de classificação melhor

respondem a assinatura espectral das manchas do carvalho-negral, foram aplicadas diversas
classificações não-supervisadas para as imagens recortadas anteriormente.
Para realizar as classificações da imagem, inicialmente suas bandas foram exportadas
para o SPRING 5.4.3 em um banco de dados, para posterior segmentação e classificação.
Após aplicar o algoritmo de segmentação (AS), foram extraídos os atributos da
imagem segmentada para a execução do algoritmo classificador (AC) não-supervisado. Este
procedimento foi realizado para as várias imagens segmentadas. Neste trabalho, foi utilizado
como AS, o “crescimento por regiões” e como AC, o ISOSEG.
As classificações foram aplicadas para diferentes composições de bandas em imagens
segmentadas, provenientes da aplicação dos índices de similaridade 5 e 8 no AS, para
determinar a melhor relação entre índice de similaridade/composição de banda na detecção de
carvalhais homogêneos a partir do valor espectral dos píxeis presentes na imagem Landsat.
Em todas as classificações, a área mínima do processo de segmentação foi fixada em
10 píxeis e os valores de entrada do AC determinados como os padrões do SPRING: 95% de
limiar de aceitação e 5 iterações de classificação.
4.2.4 Determinação das classes representativas para o carvalhal
Após gerar as imagens classificadas foram determinadas as classes mais

representativas em comparação com a cartografia de referência. Como a COS2007 foi realizada
em período muito similar à data de aquisição da imagem Landsat utilizada, esta serviu de base
na determinação das classes representativas, atuando nesta etapa, como verdade terrestre.
19
Cabe salientar que na COS2007 existem diversas classes onde estão presentes
carvalhais, desde as mais homogêneas, até locais onde esta espécie ocorre com espécies mais
diversificadas, predominando um ambiente mais heterogêneo. Dessa maneira, para
determinação das classes mais representativas, procurou-se as classes mais coincidentes com
as áreas definidas como florestas de carvalhal puro segundo a cartografia de referência,
nomeadamente, áreas da classe COS2007 - 3.1.1.01.3 (florestas de outros carvalhos).
A aplicação da extensão “Accuracy Assessment” no QGIS 2.14.11 com a COS2007
como cartografia de referência e as imagens classificadas como mapa avaliado, gerou um
arquivo de texto para cada classificação. Estes arquivos tratados em Excel, possibilitaram a
verificação quantitativa dos píxeis de cada classe criada pelo AC, coincidentes a determinadas
classes da COS2007. Finalmente, para a determinação das classes de maior representatividade
foram comparadas as frequências observadas para cada par classe ISOSEG x classe COS2007
- N5 com as frequências que seriam de esperar em função da respectiva proporção, mediante
ao termo simples da equação do chi-quadrado (equação 1):
(𝑂 − 𝐸)²
𝑥=
𝐸
considerando:
O – ocorrência de píxeis de determinada classe ISOSEG coincidente com determinada classe
na cartografia COS2007;
E – frequência esperada de determinada classe ISOSEG coincidente com determinada classe na
cartografia COS2007, obtida por:
(Total de píxeis da classe ISOSEG x Total de píxeis da classe COS2007) / Total de píxeis da
imagem.
Com esta avaliação, foi possível identificar as classes ISOSEG que melhor
discriminam as manchas da Quercus pyrenaica Willd. na imagem e da data referida para cada
classificação realizada, segundo a combinação de bandas considerada e a similaridade utilizada.
Também se verificou as demais áreas que foram classificadas como carvalhal pelo AC
e que não condizem com a COS2007. Para tanto, buscou-se na classe mais coincidente as
classes da cartografia de referência onde este efeito foi mais relevante.
A partir da sobreposição das classes que melhor representaram o carvalhal, obtidas em
diferentes classificações, a calculadora raster do QGIS permitiu elaborar a cartografia da
20
frequência com que o carvalhal foi identificado ao longo do território do PNM pelas
classificações não-supervisadas.
A partir da elaboração destes mapas, a hipótese avaliada nesta etapa é de que as áreas
de maior frequência atuem como amostras significativas ao processo de amostragem na
aplicação do algoritmo de classificação supervisada.
4.2.5 Classificações Supervisadas
Após a aplicação da metodologia de classificação não-supervisada, foi gerada a

cartografia da frequência do carvalho para as classificações provenientes das segmentações com
índice de similaridade 5 e 8. Nestes mapas, as áreas que discriminam o carvalhal
simultaneamente em todas as classificações (áreas 100%), tornam-se candidatas para o
treinamento de um algoritmo de classificação supervisada cuja acurácia dependerá da tomada
de amostras significativas do objeto de interesse. Assim, a tentativa de verificar esses padrões
a partir de um algoritmo de classificação não-supervisada torna-se interessante, pois este tipo
de classificador demanda menos tempo de aplicação em áreas grandes como o PNM.
A partir da extração das “áreas 100%”, estas foram utilizadas como auxiliares na
tomada de amostra para aplicação do classificador supervisado MAXVER no SPRING.
Finalmente, as imagens classificadas geradas foram cruzadas com a cartografia de referência
para avaliar o comportamento desta classificação em relação as classes da COS2007.
Posteriormente à classificação, foi aplicado o termo simples do chi-quadrado (equação
1) ao cruzamento imagem classificada com a cartografia de referência para determinação de
áreas potenciais para verificação no terreno.
4.2.6 Verificação no terreno
O cruzamento do resultado obtido na aplicação da classificação supervisada com a

cartografia referência, permitiu obter áreas de intersecção entre locais classificados como
carvalho que segundo a COS2007 faziam parte de outras classes que não a classe floresta de
outros carvalhos. Para estas áreas, foram gerados pontos aleatórios para a verificação no terreno.
O mapa abaixo, Figura 10, apresenta as manchas (polígonos) de carvalho segundo o
classificador supervisado aplicado, e os pontos são os locais verificados durante a visita de
campo. A designação destes pontos é dada por:
21
 “maxandcod35” = Área de carvalhal, segundo o classificador MAXVER, que foi
classificada como castanheiros e outras folhosas (3.1.1.02.4) segundo a COS2007;
classificada como carvalhais mais outras folhosas (3.1.1.02.3) segundo a COS2007;
classificada como matos densos (3.2.2.01.1) segundo a COS2007;
classificada como florestas de outras folhosas (3.1.1.01.7) segundo a COS2007.
Estas classes foram selecionadas mediante o cruzamento e aplicação do termo simples
de chi-quadrado (equação 1), para a “imagem classificada X cartografia de referência”. Sendo
estas, as mais significativas em área.
Diversos pontos foram criados aleatoriamente nestas áreas, e os mostrados da Figura
10 são aqueles onde foi realizada a tomada de fotografias para apoiar a discussão deste trabalho.
Entretanto, entende-se que o número de pontos verificados não é suficiente para uma validação
estatística da cartografia gerada, mas serviram de base para a compreensão do mapeamento
obtido e do potencial desta classificação na identificação dos carvalhais.
Figura 10 - Pontos verificados em verificação ao terreno
22
5 RESULTADOS
5.1 CLASSIFICAÇÃO NÃO-SUPERVISADA
As classificações não-supervisadas aplicadas pelo algoritmo classificador ISOSEG

resultaram em 10 imagens classificadas provenientes da utilização de diferentes composições
de bandas e de uma segmentação para os índices similaridade 5 e 8.
Estas imagens classificadas apresentam classes aleatórias resultantes do processo de
identificação e agrupamento das áreas de semelhante valor espectral pelo AC. Na Figura 11 é
possível visualizar a imagem classificada (CS05L5-B432-ISOSEG) representativa de uma
classificação com utilização das bandas 4, 3 e 2 com índice de segmentação 05 onde cada classe
aleatória está representada por cores definidas aleatoriamente pelo AC.
Figura 11 - Imagem classificada do PNM
5.2 DETERMINAÇÃO DAS CLASSES REPRESENTATIVAS PARA O CARVALHAL
A partir da comparação entre as frequências observadas para cada par classificação

ISOSEG x COS2007 - N5 com as frequências que seriam de esperar em função da respectiva
23
proporção mediante a aplicação do termo simples do chi-quadrado, verifica-se no Quadro 4 e
Quadro 5 as quatro classes aleatórias das imagens classificadas que melhor coincidem com a
classe representante aos carvalhais na cartografia de referência (3.1.1.01.3 – outros carvalhos).

Classe COS2007 de
Bandas Nº de Classes geradas 4 Classes mais aderentes (O-E)²/E
comparação
5 77338
7 31479
17
432 12 17902
3 5421
4 69215
6 53422
4321 16 3 7753
2 3809
3 71199
3.1.1.01.3
22 22956
54321 23* outros carvalhos
8 18143
9 3785
13 75966
3 65479
29*
654321 12 9141
2 5279
5 50430
8 30979
7654321 32*
13 29402
18 29006

Classe COS2007 de
Banda Nº de Classes geradas 4 Classes mais aderentes (O-E)²/E
comparação
3 108529
2 10189
11
432 4 5712
5 4532
8 98781
3 11809
4321 11 2 9734
9 3208
16 69453
3.1.1.01.3
17 31702
54321 19 outros carvalhos
3 13450
2 5319
3 110225
12 10834
24
654321 5 2778
2 2190
4 138512
14 4296
23
7654321 3 3354
5 2495
24
Também foram elaborados gráficos com as diferenças entre os valores observados e
os esperados probabilisticamente, tendo no eixo x as classes mais representativas da
segmentação, e no eixo y, as classes da cartografia de referência que mais coincidem com a
anterior para identificação das demais áreas classificadas na classe do carvalhal pelo algoritmo
classificador que não condizem com a COS2007 (Figura 12 a Figura 16).
COS2007 X CS05L5_B432 COS2007 X CS08L5_B432
140000 140000
120000 120000
100000 100000
80000 80000
60000 60000
40000 40000
20000 20000
0 0
3 5 7 12 2 3 4 5
Carvalhal + Outras folhosas Carvalhal + Outras folhosas

Carvalhal Carvalhal
Castanheiros + folhosas Matos densos
140000 140000
120000 120000
100000 100000
80000 80000
60000 60000
40000 40000
20000 20000
0 0
2 3 4 6 2 3 8 9
Outras Folhosas Carvalhal + Outras folhosas
Carvalhal Carvalhal
Carvalhal + Outras folhosas Castanheiro + folhosas
25
COS2007 X CS05L5_B54321
COS2007 vs. CS08L5_B54321
140000 140000
120000 120000
100000 100000
80000 80000
60000 60000
40000 40000
20000 20000
0 0
3 8 9 22 2 3 16 17

Carvalhal Carvalhal
Castanheiro + folhosas Castanheiro
140000 140000
120000 120000
100000 100000
80000 80000
60000 60000
40000 40000
20000 20000
0 0
2 3 12 13 2 3 5 12
Castanheiro + folhosas Sequeiro

Carvalhal Carvalhal
140000 140000
120000 120000
100000 100000
80000 80000
60000 60000
40000
20000 40000
0 20000
0
8 5 13 18
3 4 5 14

Carvalhal Carvalhal
Matos densos Matos densos
26
A coincidência dos píxeis das classes mais representativas do carvalhal para as cinco
classificações realizadas, gerou dois mapas com valores de 0 a 100%, um para as classificações
provenientes da segmentação de similaridade 5 outra para 8 (Figura 17 e Figura 18).
Nestes mapas, quanto mais próximo de 100%, maior a frequência que uma área foi
classificada como mancha de carvalhal. Assim, o valor de 100% índica que uma área foi
identificada como carvalhal em todas as classificações.
Figura 17 - Cartografia da frequência para similaridade 5
27
Figura 18 - Cartografia da frequência para similaridade 8
5.3 CLASSIFICAÇÃO SUPERVISADA – MAXVER
A utilização das áreas com valor de 100% da cartografia da frequência de similaridade

8 como amostras no processo de treinamento do classificador MAXVER no SPRING, permitiu
a cartografia da presença do carvalhal no PNM. A área classificada abrangeu um total de 4703
hectares (ha) no parque (Figura 19).
28
Figura 19 - Cartografia da presença do carvalhal no PNM
29
6 DISCUSSÃO
6.1 CLASSIFICAÇÕES
A aplicação do classificador não-supervisado gerou dez imagens classificadas a partir

de diferentes composições de bandas para os diferentes índices de similaridade utilizados no
processo de segmentação.
No processo de determinação das classes mais significativas, mediante a aplicação da
equação 1, verificou-se que quanto maior fosse a diferença entre a ocorrência de píxeis de
determinada classe ISOSEG, coincidente com uma determinada classe na cartografia
COS2007, em relação a frequência esperada de determinada classe ISOSEG coincidente com a
mesma classe na cartografia COS2007, maior foi a aderência da classe avaliada em relação a
classe de referência.
A partir deste resultado observou-se que o índice de similaridade, como verificado na
literatura, gerou segmentações mais heterogêneas para o índice igual a 5 e, consequentemente,
com a área de interesse (carvalhais) distribuída na classificação em um maior número de classes
do que nas classificações de similaridade 8, onde observou-se o contrário: uma segmentação
mais homogênea, com os carvalhais concentrados em um menor número classes.
A inclusão de mais bandas espectrais no processo classificatório aumentou a aderência
das classes que representaram a assinatura espectral das manchas dos carvalhais. Como
exemplo, temos a classe número 4 da classificação com as bandas 7, 6, 5, 4, 3, 2, e 1 e
similaridade 8 (CS08L5_B7654321), no Quadro 5, que apresentou uma diferença muito
superior às demais entre os píxeis observados e a respectiva probabilidade, sendo assim, a classe
que melhor discriminou o carvalhal em todas as não-supervisadas.
Em todas as classificações existem áreas classificadas na classe do carvalhal pelo
algoritmo segmentador que não condizem com a COS2007. Portanto, a partir dos gráficos
elaborados (Figura 12 a Figura 16) foi possível identificar estas classes e quantificar sua área
em hectares pela quantificação do número de píxeis.
Analisando as classificações da Figura 16 (aplicação de todas as bandas) observamos,
ao quantificar as áreas das classes mais representativas do carvalho em cada classificação, o
efeito do índice de similaridade sobre a distribuição das classes mais discriminantes. Na
classificação de similaridade 5 temos que, a principal classe (número 5), coincidiu com a
cartografia de referência em apenas 469 ha para as áreas de carvalhal (Quadro 6). Em
30
comparação, na classificação de similaridade 8 a classe mais discriminante (número 4) coincide
com a COS2007 (floresta de outros carvalhos) em 2650 ha (Quadro 7).
Outro fator a ser levado em consideração é que a classe 5 (CS05L5_B7654321)
apresenta uma área total de 632 ha, enquanto a classe 4 (CS08L5_B7654321) conta com uma
área total de 6315 ha. Isto não significa que a similaridade 5 não reconheceu a assinatura
espectral do carvalhal, porém, a separou em um maior número de classes.
Do ponto de vista operacional, ter a área de interesse dividida em um maior número
de classes na imagem classificada dificulta a seleção das áreas de maior representatividade. Isso
se deve a necessidade de levar em conta as demais áreas que estão discriminadas como carvalho
pelo classificador, mas que não condizem com a cartografia de referência. Como exemplo,
temos as manchas de “Matos densos” e “Carvalhal + outras folhosas” da COS2007 que
aparecem inseridas em áreas classificadas como carvalhal pela classificação não-supervisada.
Este resultado deixa implícito o impacto do índice de similaridade aplicado na
segmentação pré-classificação, na imagem classificada resultante, na posterior cartografia da
frequência e na amostragem da classificação supervisada aplicada. Verifica-se, portanto, que a
similaridade 8 acaba por identificar e agrupar melhor as manchas do carvalhal no PNM.

CLASSE 5 X COS 2007
Área total da classe de referência Área total da
CLASSE COS2007 Área coincidente (ha)
(ha) classe 5 (ha)
Carvalhal 469 4747
Matos densos 37 20657
632
Carvalhal + outras folhosas 31 1105
Demais Classes 95 X

CLASSE 4 X COS 2007
Área total da classe de referência Área total da
CLASSE COS2007 Área coincidente (ha)
(ha) classe 4 (ha)
Carvalhal 2650 4747
Matos densos 598 20657
6315
Carvalhal + outras folhosas 512 1105
Demais Classes 2555 X
Na Figura 20, abaixo, podemos visualizar um mapa que mostra a intersecção entre a
classe 4 (CS08L5_B7654321) e classe outros carvalhos - 3.1.1.01.3.
31
Figura 20 – Mapa de intersecção da classe 4 com a classe COS - outros carvalhos
Como visto nos quadros comparativos entre as classificações (Figura 12 a Figura 16),
devido à diferença na quantidade de classes onde o carvalhal se encontra distribuído segundo

as classificações não-supervisadas, ao gerar a cartografia da frequência, o mapa de similaridade
8 (Figura 18) resultou em valores mais elevados de probabilidade do que o de similaridade 5
(Figura 17), onde houve dispersão de classes. Nestes mapas, as áreas que discriminam o
carvalhal simultaneamente em todas as classificações (áreas 100%) tornaram-se candidatas para
o treinamento do algoritmo MAXVER de classificação supervisada (Figura 21).
Finalmente, a aplicação do algoritmo classificador supervisado MAXVER gerou a
cartografia da presença dos Carvalhais no PNM para a data da imagem Landsat utilizada, como
mostrado na Figura 19. Para melhor visualização, elaborou-se um mapa de intersecção entre a
cartografia da presença do carvalho no PNM (classificação supervisada MAXVER) e a classe
COS2007 outros carvalhos (3.1.1.01.3) (Figura 22).
32
Figura 21 - Áreas 100% da cartografia da frequência para similaridade 8
Figura 22 - Intersecção da cartografia da presença do carvalho no PNM com classe outros carvalhos da COS2007
33
Levando em consideração as áreas classificadas como carvalhal no PNM na
cartografia de referência (4747 ha), e na imagem classificada MAXVER (4703 ha) temos como
área coincidente entre as classificações um total de 2307 ha. Mediante aplicação da equação 1
e da quantificação das áreas, podemos observar a maior aderência obtida por esta classificação
em relação aos carvalhos do que a demais classes COS (Quadro 8). Isto aponta para uma boa
representatividade da assinatura espectral do carvalho obtida pela classificação supervisada.
Em um trabalho de comparação entre classificadores supervisados e não-supervisados,
Abrão et al. (2015) verificou bons resultados na aplicação do algoritmo MAXVER na
identificação de manchas de vegetação de porte arbóreo como é o caso das manchas de
carvalhal.
Quadro 8 - Área coincidente entre a classificação MAXVER e demais classes COS2007
(O-E²)/E Área (Km²)

160000 25
140000
20
120000
100000 15
80000
60000 10
40000
5
20000
0 0
Carvalhal Carvalhal + Castanheiro Matos Carvalhal Carvalhal + Castanheiro Matos densos
outras + folhosas densos outras + folhosas
folhosas folhosas
Apesar de não serem propriamente manchas homogêneas de Quercus pyrenaica

Willd., as áreas de carvalhal com outras folhosas, matos densos, castanheiros com outras
folhosas e outras que aparecem em menor significância, definidas na cartografia de referência,
são formações vegetais presentes no PNM onde o carvalho-negral pode estar presente em menor
abundância e em estados diferentes de desenvolvimento. Estes fatores acabam influenciar o
processo de identificação de sua assinatura espectral e, por consequência, a acurácia da
classificação final.
34
6.2 VERIFICAÇÃO NO TERRENO
Com a verificação no terreno realizada no dia 13/06/2017 foi possível verificar

algumas áreas onde a assinatura espectral do carvalho foi encontrada pelo classificador. E
assim, discutir o significado da classificação realizada comparado com a interpretação feita pela
COS2007 para os mesmos locais. Portanto, este tópico abordou a relação entre estas áreas e
classes da cartografia de referência onde o carvalho-negral foi menos notado.
6.2.1 Situação de matos densos
Nas áreas denominadas como matos densos pela cartografia de referência, aquelas
consideradas com vegetação espontânea com um coberto superior ou igual a 50%, observamos
estas formações vegetais associadas a carvalhos (Figura 23).
Tratando de observações de campo com dez anos de diferença em relação à imagem
classificada, ao identificar carvalhos de porte arbóreo, podemos relacioná-los aos identificados
pelo algoritmo classificador em 2007.
Visto que no processo de foto interpretação para elaboração da COS2007, o interprete
associou estas áreas a matos densos, provavelmente levando em consideração o padrão de
rugosidade do coberto vegetal, a carvalhiça (formação de carvalhal jovem) ali associada aos
matos (Figura 24) pela necessidade de sombra em seu desenvolvimento, não foi identificada
com a interpretação visual, porém, foi detectada pela interpretação espectral dos classificadores
ISOSEG e MAXVER.
Na Figura 25, podemos observar outro local associado a classe de matos densos onde
foi detectada a assinatura espectral do carvalhal. São evidentes os efeitos de um incêndio
ocorrido nesta área, localizada próxima a aldeia de Montouto, devido ao estado de regeneração
do carvalhal associado aos matos.
35
Figura 23 - Matos densos associado ao carvalhal (Lat. 41.860486 Long. -7.001814)
Figura 24 - Carvalhiça associada a matos (Lat. 41.863672 Long. -6.998547)
36
Figura 25 - Regeneração do carvalhal em área de matos densos (Lat. 41.935544 Long. -7.003075)
6.2.2 Situação de floresta de carvalhos com outras folhosas
Esta classe é caracterizada pela mistura de espécies folhosas em que se verifica a

dominância de outros carvalhos que não a azinheira ou o sobreiro. Foram verificados em campo
alguns locais relativos a esta situação, os dois primeiros detectados a junto à aldeia de Tuizelo.
No primeiro local visitado verificou-se a presença de densos carvalhais que
dominavam a paisagem (Figura 26). Ao longo do avanço na área para o segundo local, notou-
se que com a aproximação da linha d’água, as manchas de carvalho começam a dividir terreno
com outras espécies (Figura 27), até chegarmos em situação ribeirinha onde a área torna-se
dominada por outras espécies folhosas e o carvalhal não aparece (Figura 28).
No terceiro local visitado, a mesma situação: carvalhos associados a outras folhosas,
foi encontrada próxima da aldeia de Montouto (Figura 29).
37
Figura 26 - Carvalho-negral (Lat. 41.889939 Long. -7.047639)
38
Figura 27 - Carvalhal associado a outras folhosas (Lat. 41.889408 Long. -7.048933)
Figura 28 - Vegetação ripícola sem a presença de carvalho (Lat. 41.889178 Long. -7.049361)
39
Figura 29 - Carvalhal associado a outras folhosas (Lat. 41.925628 Long. -6.983539)
6.2.3 Situação de florestas de outras folhosas
Nestas classes estão presentes algumas espécies de folhosas existentes no PNM que
não são discriminadas em outras classes da COS2007 como o freixo, o amieiro, a nogueira,
choupo ou o salgueiro. Os pontos verificados aqui são interessantes, visto que o algoritmo
classificador identificou carvalhos nestas áreas que segundo a cartografia de referência, não
existiam.
Foram verificados dois pontos relativos a esta situação onde o carvalho aparece em
menor abundância distribuído entre folhosas de grande porte, muitas vezes na sombra destas
espécies (Figura 30 a Figura 32).
40
Figura 30 - Carvalhal no sub-bosque de outras espécies de folhosas (Lat. 41.906692 Long. -7.041611)
Aqui foi possível visualizar a capacidade de discriminação do algoritmo classificador

quanto às assinaturas espectrais das espécies presentes na área. Do ponto de vista cronológico,
estes carvalhos encontrados na visita, já estavam ali presentes no momento que a imagem
Landsat 5 foi tomada pelo sensor.
41
Figura 31 - Folhas de Carvalho negral (Fendidas) e outras espécies folhosas (Lat. 41.906692 Long. -7.041611)
Figura 32 - Jovens carvalhos entre outras espécies folhosas (Lat. 41.908497 Long. -7.041522)
42
6.2.4 Situação de floresta de castanheiro com folhosas
Esta classe da cartografia de referência é caracterizada pela mistura de folhosas com

dominância do castanheiro bravo. Nos pontos amostrados dentro desta área, encontram-se
castanheiros em proximidade a manchas de carvalho-negral (Figura 33 a Figura 35).
Figura 33 - Carvalhos, castanheiros e matos (Lat. 41.912919 Long. -7.038658)
Grandes castanheiros, como os mostrados nas fotos, são encontrados misturados com
carvalhais na paisagem do PNM e, devido seu grande porte, muitas vezes acabam por dificultar
a fotointerpretação, e por isso, a identificação dos carvalhais nestes locais mais uma vez aponta
para uma boa capacidade de detecção da assinatura espectral do carvalhal obtida pelas
classificações.
43
Figura 34 - Castanheiro (primeiro plano), seguindo carvalho e resinosas (fundo) (Lat. 41.914925 Long. -7.039464)
Figura 35 - Carvalhos e castanheiros (Lat. 41.914528 Long. -7.040994)
44
7 CONCLUSÕES
O presente estudo foi importante para verificar o potencial de monitorização dos

carvalhais no PNM mediante o sensoriamento remoto.
Para melhor identificação da assinatura espectral da Quercus pyrenaica Willd., a
classificação mais eficiente, segundo os parâmetros avaliados neste trabalho, foi a realizada
com índice de segmentação 8 e com todas as bandas espectrais incluídas. A partir deste
resultado, foi possível obter amostras fiáveis para a aplicação da classificação supervisada, e
assim, gerar um mapa da presença dos destes carvalhais no PNM.
Apesar dos erros de confusão entre classes observados, como uma análise exploratória,
a aplicação de classificações não-supervisadas auxiliou a tomada de decisão durante o processo
de amostragem e treinamento do algoritmo classificador supervisado. Destaca-se a rapidez e
facilidade deste processo mediante as cartografias tradicionais.
No objetivo proposto neste trabalho, a metodologia proposta não foi uma atualização
da cartografia já existente, mas sim, a verificação do potencial dos softwares e classificadores
utilizados em identificar e diferenciar as manchas mais representativas do carvalho-negral.
Assim, foi possível observar a relação entre a cartografia de referência e as classificações
realizadas.
Através da quantificação e verificação da frequência entre as imagens classificadas e
a cartografia de referência, observou-se a importância da definição de um índice de similaridade
e uma determinada composição de banda que melhor represente o objeto de interesse e diminua
a ocorrência de erros na imagem classificada.
As áreas observadas na verificação ao terreno mostraram a capacidade de identificação
da metodologia. Apesar de não terem sido verificados pontos suficientes para uma validação da
cartografia gerada na classificação supervisada, resultados interessantes foram encontrados,
como a discriminação do carvalho em diferentes estágios de seu crescimento vegetal e sua
abundância associada a outras espécies, que é de difícil identificação em um processo de foto
interpretação. Tais resultados podem apontar locais onde as florestas deste carvalho estão a
evoluir.
Finalmente, o presente trabalho mostrou o potencial dos softwares livres utilizados na
aplicação de classificações em imagens multiespectrais como as da série Landsat 5 Thematic
Mapper.
45
REFERÊNCIAS
Abrão, C. M. R., da Cunha, E. R., Gregório, E. C., & Bacani, V. M. (2015). Avaliação de
classificadores supervisionados e não supervisionados para mapeamento de uso e
cobertura da terra a partir de dados Landsat-8/OLI.
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS journal of
photogrammetry and remote sensing, 65(1), 2-16.
Câmara, G., Souza, R. C. M., Freitas, U. M., & Garrido, J. (1996). SPRING: Integrating
remote sensing and GIS by object-oriented data modelling. Computers &
graphics, 20(3), 395-403. Disponível em:
http://www.dpi.inpe.br/geopro/papers/spring.pdf
CCRS. (2016). Fundamentals of Remote Sensing. Canada: Natural Resources Canada.

Disponível em: http://www.nrcan.gc.ca/node/9309
Carvalho, J., Santos, J., & Reimão, D. (2005b). O Carvalho-Negral em Portugal e

Transformação Tecnológica da Madeira. CITAB-Centro de Investigação e de
Tecnologias Agro-Ambientais e Biológicas. Disponível em:
https://repositorio.utad.pt/handle/10348/1517
Carvalho, J., Santos, J., Reimão, D., Gallardo, J., Alves, P., Grosso-Silva, J.,Carvalheira, M.
(2005a). O carvalho negral. Sersilito.
Decreto lei nº 19/93 de 23 de janeiro do Ministério do Ambiente e Recursos Naturais. Diário

da República. I Série-A, nº 19 (1993). Acedido a 16 de fev. 2017. Disponível em:
http://www.icnf.pt/portal/ap/p-nat/pnm/class-carac
Decreto Regulamentar nº 5-A/97 de 4 de abril do Ministério do Ambiente. Diário da

República. I Série-B, nº 97 (1997). Acedido a 16 de fev. 2017. Disponível em:
Decreto-Lei nº 142/2008 de 24 de julho do Ministério do Ambiente, do Ordenamento do

Território e do Desenvolvimento Regional. Diário da República: I série, nº 142 (2008).
Acedido a 16 de fev. 2017. Disponível em:
https://dre.pt/application/dir/pdf1sdip/2008/07/14200/0459604611.pdf
Decreto-lei nº355/79 de 30 de agosto do Ministério da Habitação e Obras Públicas. Diário da

República. I Série, nº 355 (1979). Acedido a 16 de fev. 2017. Disponível em:
Direção-Geral Território. (2017a). Carta Administrativa Oficial de Portugal - CAOP 2016.

Lisboa, PT. Disponível em:
http://www.dgterritorio.pt/cartografia_e_geodesia/cartografia/carta_administrativa_ofi
cial_de_portugal__caop_/caop_em_vigor/
Direção-Geral Território. (2017b). Carta de Uso e Ocupação do Solo de Portugal Continental

para 2007 – COS2007. Lisboa, PT. Disponível em:
46
http://www.dgterritorio.pt/cartografia_e_geodesia/cartografia/cartografia_tematica/cart
a_de_ocupacao_do_solo__cos_/cos__2007/
Florenzano, T. G. (2007). Iniciação em sensoriamento remoto. Oficina de Textos.
Instituto Brasileiro de Geografia e Estatística (2001). Introdução ao Processamento Digital de

Imagens. Manuais Técnicos em Geociências, (9).
ICNF. (2007). Plano de Ordenamento do Parque Natural de Montesinho. Bragança, PT.

Disponível em: http://www.icnf.pt/portal/naturaclas/ordgest/poap/popnm/popnm
ICNF. (2017). Áreas Protegidas. Disponível em: http://www.icnf.pt/portal/ap
Konecny, G. (2003). Geoinformation: remote sensing, photogrammetry and geographic

information systems.
Lunetta, R. S., & Elvidge, C. (1999). Remote sensing change detection. CRC Press.
Meneses, P. R., Almeida, T. D., Rosa, A. N. D. C. S., Sano, E. E., Souza, E. B. D., Baptista,
G. M. D. M., & Brites, R. S. (2012). Introdução ao processamento de imagens de
sensoriamento remoto. Brasília: UNB/CNPq.
Muñoz, J. M., & Ponce, A. D. (2005). Percepción remota.“Fundamentos de teledetección

espacial.
QGIS Development Team. (2017). QGIS Geographic Information System. Open Source
Geospatial Foundation Project. Disponível em: http://qgis.osgeo.org
Song, C., Woodcock, C. E., Seto, K. C., Lenney, M. P., & Macomber, S. A. (2001).
Classification and change detection using Landsat TM data: When and how to correct
atmospheric effects?. Remote sensing of Environment, 75(2), 230-244.
USGS. (2016a). Earth Explorer. Disponível em: https://landsat.usgs.gov/landsat-project-

description
USGS. (2016b). Earth Explorer. Disponível em: https://landsat.usgs.gov/what-are-band-

designations-landsat-satellites
USGS. (2016c). Earth Explorer. Disponível em: https://landsat.usgs.gov/landsat-collections
47

Cartografia Da Paisagem Natural

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cartografia Da Paisagem Natural

Enviado por

Direitos autorais:

Formatos disponíveis

Cartografia da paisagem natural do Parque Natural de

Montesinho por Sensoriamento Remoto

Pedro Henrique Jandreice Magnoni

Dissertação apresentada à Escola Superior Agrária de Bragança para obtenção

Professor Dr. José Castro

Pedro Henrique Jandreice Magnoni

Dissertação apresentada à Escola Superior Agrária de Bragança para obtenção

Professor Dr. José Castro

Visando a utilização do sensoriamento remoto na monitorização de ecossistemas de elevado

Palavras-chave: Quercus pyrenaica Willd; SPRING; QGIS; ISOSEG; MAXVER;

Keywords - Quercus pyrenaica Willd; SPRING; QGIS; ISOSEG; MAXVER;

Figura 1 - Captação da Energia Eletromagnética por um Sensor Remoto ........................ 3

Quadro 1 - Tipos de resolução em Sensoriamento Remoto .............................................. 6

CCRS – Canada Center for Remote Sensing

COS2007 – Carta de uso e ocupação do solo de Portugal Continental 2007

CS05L5_B432 – Classificação com índice de segmentação 5 e bandas 4, 3 e 2

CS05L5_B4321 – Classificação com índice de segmentação 5 e bandas 4, 3, 2 e 1

CS05L5_B54321 – Classificação com índice de segmentação 5 e bandas 5, 4, 3, 2 e 1

CS05L5_B654321 – Classificação com índice de segmentação 5 e bandas 6, 5, 4, 3, 2 e 1

CS05L5_B7654321 – Classificação com índice de segmentação 5 e bandas 7, 6, 5, 4, 3, 2 e 1

CS08L5_B432 – Classificação com índice de segmentação 8 e bandas 4, 3 e 2

CS08L5_B4321 – Classificação com índice de segmentação 8 e bandas 4, 3, 2 e 1

CS08L5_B54321 – Classificação com índice de segmentação 8 e bandas 5, 4, 3, 2 e 1

CS08L5_B654321 – Classificação com índice de segmentação 8 e bandas 6, 5, 4, 3, 2 e 1

CS08L5_B7654321 – Classificação com índice de segmentação 8 e bandas 7, 6, 5, 4, 3, 2 e 1

IBGE – Instituto Brasileiro de Geografia e Estatística

ICNF – Instituto de Conservação da Natureza e das Florestas

INPE – Instituto Nacional de Pesquisas Espaciais

PNM – Parque Natural de Montesinho

USGS – United States Geological Survey

O seguinte trabalho foi estruturado sete partes principais: introdução, objetivos,

O carvalho-negral (Quercus pyrenaica Willd.) é uma espécie encontrada na península

É objetivo geral deste trabalho desenvolver uma metodologia capaz de identificar de

 Definir a paisagem a estudar e seus componentes a identificar (carvalhais);

3.1 SENSORIAMENTO REMOTO

O sensoriamento remoto é uma alternativa viável para o empreendimento de estudos e

“A Ciência da aquisição de informação sobre a superfície terrestre sem estar em

Os materiais existentes na superfície da Terra apresentam a capacidade de emitir,

Figura 1 - Captação da Energia Eletromagnética por um Sensor Remoto

Como a captação da informação pelo sensor acontece através da detecção e análise da

Figura 2 - Comprimentos de onda e frequências do espectro eletromagnético

Dentro do espectro eletromagnético, os comprimentos de onda que podemos distinguir

Figura 3 - Janelas Atmosféricas e absorção causada pelos gases atmosféricos

3.1.2 Tipos de sensores

Sensores remotos são aqueles capazes de detectar, transformar em sinais elétricos e

3.1.3 Características das imagens obtidas por sensores remotos

A imagem digital é formada através de um sensor que detecta a radiação

Figura 4 - Imagem Landsat 5 ETM relativa ao PNM em níveis de cinza

As imagens geradas através de técnicas de sensoriamento remoto possuem quatro tipos

Em uma imagem digital verifica-se a existência de píxeis associados a um sistema de

Nos classificadores por região, inicialmente é realizada a segmentação manual ou

3.1.6 Sistema para Processamento de Informações Georreferenciadas – SPRING

Denominado como Sistema para Processamento de Informações Georreferenciadas

3.1.7 Quantum GIS

O Quantum GIS (QGIS), é um sistema de informações geográficas gratuito e livre

3.1.8 Características da missão Landsat

Desde o lançamento do primeiro satélite ERTS (Earth Resources Technology Satellite)

Quadro 2 - Características da imagem LANDSAT 5

3.2 CARACTERIZAÇÃO DA ÁREA DE ESTUDO

3.2.1 Rede Nacional de Áreas Protegidas de Portugal

A Rede Nacional de Áreas Protegidas (RNAP) de Portugal é composta por áreas

Situado no Nordeste de Portugal Continental, a norte dos concelhos de Bragança e

3.3 VALORES NATURAIS DO PARQUE NATURAL DE MONTESINHO